PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2405.01906v3cs.AI공식 코드 · Papers with Code

신경망 라우팅 솔버의 대규모 일반화를 위한 인스턴스 조건부 적응

Instance-Conditioned Adaptation for Large-scale Generalization of Neural Routing Solver

현대 지능형 교통 시스템(ITS), 특히 화물 운송 및 물류 분야에서 실시간 경로 계획은 매우 중요하다. 이 분야는 서비스 요청의 높은 불확실성으로 인한 고유한 도전 과제를 안고 있으며, 서비스 고객 수가 수백에서 수천 명까지 크게 변동할 수 있다. 기존 신경망 기반 방법들은 이러한 큰 변동 하에서 성능을 유지하는 데 어려움을 겪고 있으며, 이는 실용적 적용 가능성을 심각하게 제한한다. 이 중요한 결함을 해결하기 위해, 본 연구는 더 나은 대규모 일반화를 위해 설계된 새로운 인스턴스 조건부 적응 모델(ICAM)을 제안한다. 특히, 최소한의 계산 오버헤드로 모델 적응성을 향상시키기 위해 현재 교통 시나리오의 특정 기하학적 구조와 밀도에 따라 정책을 조정하는 단순하면서도 효율적인 인스턴스 조건부 적응 함수를 설계한다. 또한, 다양한 규모의 인스턴스에 대해 더 나은 솔루션을 생성하기 위한 강력하면서도 낮은 복잡도의 인스턴스 조건부 적응 모듈을 제안한다. 합성, 벤치마크, 실세계 인스턴스에 대한 광범위한 실험을 통해 ICAM이 널리 연구된 네 가지 대규모 경로 계획 시나리오에서 일관되게 우수한 일반화 성능을 달성함을 입증한다. 특히, 제안된 방법은 매우 빠른 추론 속도로 고품질 솔루션을 제공하여 실시간 지능형 교통 운영을 위한 확장 가능하고 효율적인 솔루션을 제공한다. 코드는 https://github.com/CIAM-Group/ICAM 에서 공개되어 있다.